在连续场景中,基于RSVP的大脑计算机接口的EEG特征和合适的解码算法

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 使用快速串行视觉呈现 (RSVP) 的脑计算机接口 (BCI) 对于在目标检测中实现人机集成至关重要.
• 连续场景中的RSVP提供了比离散场景更大的现实世界的适用性,但EEG特征和合适的解码算法的差异仍然不清楚.

研究的目的:

• 为了比较连续和离散的RSVP场景之间的脑电图 (EEG) 功能.
• 评估用于连续场景RSVP目标检测的解码算法.

主要方法:

• 在连续和离散场景中使用RSVP进行比较实验.
• 事件相关潜力 (ERP),事件相关光谱扰动 (ERSP) 和试验间一致性 (ITC) 的分析.
• 使用滑动层次歧视成分分析 (sHDCA),收缩歧视法典模式匹配 (SKDCPM) 和基于注意力的时间卷积网络 (ATCNet) 进行分类.

主要成果:

• 连续场景显示了较少的ERP组件,较短的P300延迟,以及部区域 (0-0.2s) 的α/β1振荡减少.
• 传统的算法在连续场景中表现不佳.
• 在两种场景类型中,ATCNet实现了高和一致的准确性,证明了其适用于连续RSVP的适用性.

结论:

• 连续的RSVP场景引起了独特的EEG签名.
• ATCNet是一个有前途的解码算法,用于连续环境中的实际RSVP-BCI系统.
• 这项研究有助于开发更有效的基于BCI的目标检测系统.